
- •Математические методы системного анализа и теория принятия решений Методическое пособие
- •1. Теория принятия решений 4
- •2. Линейное программирование 9
- •3. Нелинейное программирование 42
- •4. Игровые методы обоснования решений 51
- •5. Задачи распознавания образов 62
- •Предисловие
- •1. Теория принятия решений
- •1.1. Задачи, связанные с принятием решений Проблема оптимальности.
- •Основные понятия и принципы исследования операций.
- •Примеры задач исследования операций.
- •1.2. Математические модели операций Искусство моделирования.
- •1.3. Разновидности задач исследования операций и подходов к их решению Прямые и обратные задачи исследования операций.
- •Пример выбора решения при определенности: линейное программирование.
- •Проблема выбора решений в условиях неопределенности.
- •Выбор решения по многим критериям.
- •«Системный подход».
- •2. Линейное программирование
- •2.1. Краткое представление о математическом программировании Предмет математического программирования.
- •Краткая классификация методов математического программирования.
- •2.2. Примеры экономических задач линейного программирования Понятие линейного программирования.
- •Задача о наилучшем использовании ресурсов.
- •Задача о выборе оптимальных технологий.
- •Задача о смесях.
- •Задача о раскрое материалов.
- •Транспортная задача.
- •2.3. Линейные векторные пространства Основные понятия линейного векторного пространства.
- •Решение систем линейных уравнений методом Гаусса.
- •Реализация метода исключения неизвестных в среде Excel.
- •Различные схемы реализации метода Гаусса.
- •Опорные решения системы линейных уравнений.
- •2.4. Формы записи задачи линейного программирования Основные виды записи злп.
- •Каноническая форма представления задачи линейного программирования.
- •Переход к канонической форме.
- •2.5. Геометрическая интерпретация задачи линейного программирования Определение выпуклой области.
- •Геометрическая интерпретация.
- •2.6. Свойства решений задачи линейного программирования Свойства основной задачи линейного программирования.
- •Графический метод решения задачи линейного программирования.
- •2.7. Симплексный метод Идея симплекс-метода.
- •Теоретические обоснования симплекс-метода.
- •Переход к нехудшему опорному плану.
- •Зацикливание.
- •Алгоритм симплекс-метода.
- •2.8. Двойственность в линейном программировании Прямая и двойственная задача.
- •Связь между решениями прямой и двойственной задач.
- •Геометрическая интерпретация двойственных задач.
- •2.9. Метод искусственного базиса Идея и реализация метода искусственного базиса.
- •3. Нелинейное программирование
- •3.1. Общая задача нелинейного программирования Постановка задачи.
- •Примеры задач нелинейного программирования (экономические).
- •Геометрическая интерпретация задачи нелинейного программирования.
- •3.2. Выпуклое программирование Постановка задачи выпуклого программирования.
- •3.3. Классические методы оптимизации Метод прямого перебора.
- •Классический метод дифференциальных исчислений.
- •3.4. Метод множителей лагранжа
- •3.5. Градиентные методы решения задач нелинейного программирования Общая идея методов.
- •Метод Франка-Вулфа.
- •Метод штрафных функций.
- •4. Игровые методы обоснования решений
- •4.1. Предмет и задачи теории игр Основные понятия.
- •Классификация выборов решений.
- •Антагонистические матричные игры.
- •Чистые и смешанные стратегии и их свойства.
- •4.2. Методы решения конечных игр Упрощение матричной игры.
- •Решение матричной игры размерностью 22.
- •Графическое решение матричной игры.
- •Сведение задач теории игр к задачам линейного программирования.
- •4.3. Задачи теории статистических решений Игры с природой.
- •Критерии принятия решений.
- •5. Задачи распознавания образов
- •5.1. Общая постановка задачи распознавания образов и их классификация Проблема распознавания.
- •Обсуждение задачи опознавания.
- •Язык распознавания образов.
- •Априорные предположения — это записанные специальным образом, накопленные знания специалистов.
- •Общая постановка задачи.
- •Геометрическая интерпретация задачи распознавания.
- •Классификация задач распознавания.
- •5.2. Подготовка и анализ исходных данных Общая схема решения задачи.
- •Общая схема постановки и решения задачи Анализ данных с целью выбора постановки и метода решения
- •5.3. Методы опознавания образов Основные этапы процесса опознавания образов.
- •Методы создания системы признаков.
- •Признаковое пространство.
- •Сокращение размерности исходного описания.
- •Методы построения решающего правила.
- •5.4. Меры и метрики Понятие о сходстве.
- •Меры сходства и метрики.
- •Примеры функций мер сходства.
- •5.5. Детерминированно-статистический подход к познаванию образов Основные этапы детерминированно-статистического подхода.
- •Получение исходного описания.
- •Создание системы признаков.
- •Сокращение размерности исходного описания.
- •Нахождение решающего правила (метод эталонов).
- •Коррекция решающего правила.
- •5.6. Детерминированный метод построения решающего правила (метод эталонов) Идея метода эталонов.
- •Минимизация числа эталонов.
- •Габаритные эталоны.
- •Применение метода эталонов к частично пересекающимся образам.
- •Дополнительная минимизация числа признаков.
- •Квадратичный дискриминантный анализ.
- •Распознавание с отказами.
- •5.8. Алгоритм голотип-1 Назначение
- •Постановка задачи
- •Метод решения задачи.
- •Условия применимости.
- •Условия применимости.
- •5.10. Алгоритм направление опробования Назначение
- •Постановка задачи.
- •Метод решения задачи.
- •Условия применимости.
- •Транспортная задача Математическая постановка.
- •Постановка задачи.
- •Теоретическое введение.
- •Методы нахождения опорного плана транспортной задачи.
- •Определение оптимального плана транспортной задачи.
- •Заключение.
- •Целочисленное программирование Постановки задач, приводящие к требованию целочисленности.
- •Постановка задачи.
- •Методы отсечения.
- •Алгоритм Гомори.
- •Первый алгоритм р. Гомори решения полностью целочисленных задач.
- •Приближенные методы.
- •Заключение.
- •Параметрическое программирование Введение.
- •Формулировка задачи.
- •Теоретическая часть.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи
- •Постановка задачи.
- •Решение.
- •Геометрическое решение.
- •Решение задачи симплекс-методом.
- •Результат.
- •Некооперативные игры n лиц с ненулевой суммой Введение.
- •Теоретическая часть.
- •Постановка и решение задачи.
- •Заключение.
- •Cписок литературы
Нахождение решающего правила (метод эталонов).
Задача опознавания образов в конечном счете сводится к нахождению решающего правила.
Качество решающего правила в первую очередь определяется числом и соотношением различных типов ошибок на экзамене.
Процесс построения решающего правила разбивается на два последовательных этапа.
На первом этапе
применяется детерминированный подход
для построения решающего правила; на
втором этапе производится коррекция
решающего правила на основе некоторых
одномерных экстремальных статистических
характеристик. На первом этапе при
сохранении условия
-
непересекаемости образов в пространстве
признаков целесообразно потребовать
построения наиболее простого решающего
правила, которое обеспечивает безошибочное
опознание реализаций учебной выборки.
Наиболее подходящим методом для этой
цели является детерминированный метод
эталонов.
В методе эталонов
область образа сколь угодно сложной
конфигурации строится из простых
геометрических тел (эталонов). Первоначально
эталоны строятся для каждой реализации
учебной выборки, и сам по себе метод
построения обеспечивает для случая
-
непересекающихся образов попадание в
них всех реализаций выборки «своего»
образа и отсутствие всех реализаций
«чужих»
образов. Именно это обстоятельство и
позволяет безошибочно опознавать
учебную выборку любого объема. Используя
далее аппарат минимизации дизъюнктивных
нормальных форм булевых функций,
количество эталонов, необходимое для
безошибочного опознавания учебной
выборка в неэкзотических случаях,
удается существенно минимизировать.
После нахождения решающего правила можно дополнительно уменьшить размерность пространства признаков и размерность эталонов при нулевой ошибке на учебной выборке.
В методе эталонов и при дополнительной минимизации числа признаков используется только информация об обучающей выборке.
Таким образом, оптимизация первого этапа заключается в нахождении наиболее простого решающего правила, обеспечивающего нулевую ошибку на учебной выборке.
Коррекция решающего правила.
Решающее правило, построенное на конечной учебной выборке, не гарантирует отсутствие ошибок на экзамене и не дает сведений о величине этих ошибок,
В задачах опознания
конечного алфавита
-
непересекающихся образов при построении
решающего правила не
обязательно
находить истинные границы многомерных
распределений образов.
Для нахождения
таких покрытий или покрытий с минимальной
областью пересечения используются два
одномерных параметра, оценки которых
можно получить при контрольной выборке:
максимально возможный выброс
реализаций за «свою»
эталонную оболочку и максимально
возможное проникновение
реализаций в глубь эталонных оболочек
«чужих»
образов. Так как эти параметры являются
одномерными, то они не указывают на
величину и направление «смещения»
эталонных оболочек относительно истинных
границ образов в каждой точке, а
характеризуют максимально возможное
смещение независимо от направления.
При изменении конфигурации эталонных оболочек с помощью указанных предельных параметров величины ошибок ставятся контролируемыми, что позволяет целенаправленно изменить их в соответствии с принятым критерием качества.
В результате однократной коррекции обеспечивается условный минимум областей пересечения при заданном уровне ошибок неправильного опознания и ошибок отказа.
При многократном повторении процедуры коррекции возможно построение непересекающихся покрытий образов за конечное число исправлений.